專利名稱：一種基于二階二維主分量分析的人臉識(shí)別系統(tǒng)和方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理、計(jì)算機(jī)視覺、模式識(shí)別技術(shù)領(lǐng)域，特別涉及一種人 臉識(shí)別方法。
背景技術(shù)：
近年來，人臉識(shí)別是計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域研究的一個(gè)熱點(diǎn)問題。文 獻(xiàn)P. N. Belhumeur， J. P. Hespanha， D. J. Kriegman. Eigenfaces vs. fisherfaces: class-specific linear projection. IEEE Trans. Pattern Anal. Mach. Intell， 1997， 19, 7: 711-720提出了一種特征臉方法(也稱為PCA方法)， 該法是一個(gè)有效的特征提取和降低維數(shù)方法，被廣泛地應(yīng)用到人臉識(shí)別中。然 而，由于真實(shí)的人臉是很復(fù)雜的，如光照變化較大的人臉圖像，單一的特征臉 集并不能有效地描述人臉圖像。為了克服這一點(diǎn)，Wang和Tan 2000年在文獻(xiàn) L. Wang, T. K. Tan. A new proposal for face feature description. IS0/IEC JTCl/SC29/WGll/m5750， Noordwijkerhout, 2000中提出了二階特征臉方法(簡(jiǎn) 稱Sec-PCA方法)，即在原始圖象向量集和余像向量集中分別用一次PCA方法。
2004年，二維主分量分析(即2DPCA方法)在文獻(xiàn)J. Yang， D. Zhang, F. Aledjandro， J. Y. Yang. Two-dimensional PCA: a new approach to appearance-based face representation and recognition. IEEE Trans. Patt. Anal. Mach. Intel, 2004， 26， 1:131-137中被提出，并被應(yīng)用于人臉識(shí)別。 與傳統(tǒng)的一階特征臉方法相比，2DPCA大大降低了特征提取的時(shí)間，并獲得較高 的識(shí)別率。
2DPCA僅提取了圖像行方向的信息；事實(shí)上，也可以將2DPCA用于提取圖像 列方向的信息。文獻(xiàn)D. Q. Zhang, Z. H. Zhou. 2D(PC)2A: Two-directional
4two-dimensional PCA for efficient face representation and recognition. Neurocomputing, 2004， 25: 1173-1181在圖像的行、列兩個(gè)方向同時(shí)應(yīng)用2DPCA 技術(shù)，提出了一階(2D)2PCA方法，簡(jiǎn)稱Fir-(2D)2pCA方法。與2DPCA方法相比， 該方法進(jìn)一步降低了特征提取的時(shí)間，并且其識(shí)別率略高于2DPCA的識(shí)別率。
但是，上述的二階特征臉方法以及二維主分量分析(2D)2PCA方法都有一定的 局限性。二階特征臉應(yīng)用了兩次PCA，而PCA基于高維的圖像向量空間提取特征， 往往需要較多的運(yùn)行時(shí)間；而(2D)2PCA在光照變化較大時(shí)，受光照信息的干擾， 識(shí)別精度不高。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是，針對(duì)現(xiàn)有技術(shù)人臉識(shí)別方法中提取圖像向量 空間特征運(yùn)行時(shí)間長(zhǎng)，在光照變化較大時(shí)，識(shí)別精度不高等缺陷，提出一種新 型的二階雙向二維特征臉(2D)2PCA人臉識(shí)別方法，簡(jiǎn)稱二階主分量分析方法 Sec-(2D)2PCA。本發(fā)明解決上述技術(shù)問題的技術(shù)方案是，基于二階特征臉和 (2D)2PCA兩種方法，將(2D)2PCA分別應(yīng)用到原始圖像矩陣集和剩余圖像矩陣集。
從人臉圖像庫(kù)中選擇原始圖像矩陣4 (/=i，2,...，m)，構(gòu)成原始圖像集 / = 首先，在原始圖像集7上用(2D)2PCA方法，學(xué)習(xí)到反映行特征信
息的最優(yōu)投影矩陣A和反映列特征信息的最優(yōu)投影矩陣《；對(duì)原始圖像集中的任 一圖像A作變換c-《碼得原始圖像矩陣^的一階特征矩陣，其中前力，d個(gè)主 元特征主要體現(xiàn)了光照信息；根據(jù)一階特征矩陣中的A， d確定指定類樣本圖像 集，令< =4-4(,",2,…，M)，得到原始圖像集的剩余圖像集/'-k，4…,^，再次 使用(2D)2PCA。在剩余圖像集上再次學(xué)習(xí)到反映行特征信息的最優(yōu)投影矩陣石和 反映列特征信息的最優(yōu)投影矩陣《。對(duì)剩余圖像集中的任一余象z，作變換 C、Z^J^得到余象的圖像矩陣^的二階特征矩陣C'2。根據(jù)一階、二階特征矩陣
5重建圖像。
本發(fā)明構(gòu)建一種基于二階二維主分量分析的人臉識(shí)別系統(tǒng)，具體包括，采集
模塊采集原始圖像集/"4，4，...，4}，控制處理模塊根據(jù)圖像集/^#屋^原始圖像集 的反映行特征信息的最優(yōu)投影矩陣尤和反映列特征信息的最優(yōu)投影矩陣《；算 法模塊調(diào)用公式C-《i,，對(duì)原始圖像集中任一樣本圖像作變換得到一階特征
矩陣G控制處理模塊確定剩余圖像集/'-U'，4…,《)，確定剩余圖像集的反映行
特征信息的最優(yōu)投影矩陣石和反映列特征信息的最優(yōu)投影矩陣《；算法模塊調(diào) 用公式C' = Z"'Z2，對(duì)剩余圖像集的任一余象作變換得到圖像矩陣的二階特征 矩陣C';并根據(jù)一階特征矩陣和二階特征矩陣確定距離^4,^);判斷模塊判斷
是否指定類的樣本；對(duì)于指定類的樣本圖像，控制模塊根據(jù)一階特征矩陣確定 樣本圖像的重建圖像，根據(jù)二階特征矩陣確定剩余圖像的重建圖像；算法模塊 將兩重建圖像進(jìn)行迭加，得到原始圖像的重建圖像。
本發(fā)明還提出一種基于二階二維主分量分析的人臉識(shí)別方法包括如下步驟 步驟l:采集原始圖像集"U，4，…，4J，對(duì)圖像集/采用(2D)2pCA方法學(xué)習(xí) 到原始圖像集的反映行特征信息的最優(yōu)投影矩陣《和反映列特征信息的最優(yōu)投 影矩陣Z;
步驟2:在原始圖像集中提取前幾個(gè)反映光照信息的主元向量，指定任一樣 本圖像A調(diào)用公式C-Z^4X,，作變換得到一階特征矩陣C，根據(jù)一階特征矩
陣指定樣本圖像集；
步驟3:確定剩余圖像集,={ ,..，4}，對(duì)剩余圖像集再次使用(2D)2PCA
方法，學(xué)習(xí)到剩余圖像集的反映行特征信息的最優(yōu)投影矩陣《和反映列特征信
息的最優(yōu)投影矩陣《；
步驟4:對(duì)剩余圖像集的任一余象乂調(diào)用公式C' = Z"';r2，作變換得到圖像矩陣,的二階特征矩陣C';
步驟5:根據(jù)一階特征矩陣和二階特征矩陣，算法模塊調(diào)用公式
, ^)=^ ||c, - c』+"2 ||c; _ c; I確定距離；
步驟6:判斷模塊進(jìn)行判斷，如果rf(4，4)-min^4,^)，則屬于指定類的樣本; 步驟7:對(duì)于指定類的樣本，根據(jù)一階特征矩陣確定樣本圖像的重建圖像，
根據(jù)二階特征矩陣確定剩余圖像的重建圖像，兩重建圖像迭加，根據(jù)公式 ^i,"^Z,C，《+ZA《確定原始圖像^的重建圖像。
根據(jù)準(zhǔn)則lj^ ， l^/ljA W選擇二階特征矩陣的行C2和列^。
根據(jù)一階、二階特征矩陣的非波拉齊范數(shù)確定測(cè)試圖象與樣本圖象的距離，取 一個(gè)步長(zhǎng)和初值，搜索最佳的權(quán)系數(shù)a和汰使識(shí)別率最大，對(duì)于光照變化不大的 圖像庫(kù)，逸e
，而對(duì)于光照變化大的圖像庫(kù)，決e
。
本發(fā)明將原始圖像和剩余圖像的特征矩陣分別提取為圖像的代數(shù)特征并用 到人臉識(shí)別中，首先執(zhí)行一次(2D)2PCA，提取前幾個(gè)反映光照信息的主元向量； 然后在剩余圖像集中再次使用(2D)2PCA方法。這樣對(duì)于光照變化較大的人臉圖 像，可以避免光照信息的干擾。實(shí)驗(yàn)表明，相對(duì)于PCA、 Sec-PCA、 2DPCA和 Fir-(2D)2PCA，該發(fā)明可以得到更高的識(shí)別率，并且計(jì)算復(fù)雜度低。 附圉說明


圖1給出了 Sec- (2D) 2PCA方法特征提取的流程圖 圖2給出了 Yale人臉庫(kù)B中10個(gè)人的原始圖像 圖3給出了一個(gè)人在4個(gè)子庫(kù)中的部分正面樣本圖像 其中，(1)、 (2)、 (3)、 (4)分別表示子庫(kù)l、子庫(kù)2、子庫(kù)3、子庫(kù)4。 圖4所示為釆用PCA、 Sec-PCA、 (2D)2PCA和Sec-(2D)2PCA方法做圖像重建 的實(shí)驗(yàn)結(jié)果其中，(a)原始圖像，(b)PCA方法的重建圖像，(c)Sec-PCA方法的重建圖 像，(d)(2D)2pCA的重建圖像，(e)Sec-(2D)2pCA的重建圖像。
具體實(shí)施例方式
下面針對(duì)附圖和具體實(shí)施例對(duì)本發(fā)明技術(shù)方案的實(shí)施作進(jìn)一步的描述。如圖 l所示為本發(fā)明采用Sec-(2D) 2PCA方法確定特征矩陣的流程圖。
采集模塊采集人臉圖像信息得到任一大小為歷X"弱衝像矩陣A構(gòu)造原始 圖像矩陣4^i，2，A,ii/)，得到原始圖像集"k,4，A,Aj?？刂铺幚砥靼l(fā)出控制命 令在原始圖像集J上使用(2D)2PCA (雙向二維PCA)方法，學(xué)習(xí)到反映行特征信 息的最優(yōu)投影矩陣義(大小為/2X^)和反映列特征信息的最優(yōu)投影矩陣《(大小 為歷X Cl)，提取反映光照信息的特征向量。
控制處理器根據(jù)上述最優(yōu)投影矩陣，算法模塊調(diào)用公式-
C-Z^w, (1)，對(duì)任一原始圖像矩陣A作變換，投影得到原始圖像
矩陣^的一階特征矩陣C，湖陣的大小為^X力。其中行n，列^體現(xiàn)了光照信 息，該矩陣中的前r,， ^個(gè)主元特征是根據(jù)(2D)2PCA方法特征提取所得的反映光 照信息的特征向量，根據(jù)上述特征向量指定樣本圖像。
算法模塊調(diào)用公式^zc,確定重建圖像A，調(diào)用公式4 = 4-^(' = 1,2，八局， 通過減法器在原始圖像中減去指定樣本圖像，得到剩余圖像4'的圖像集 /' = { ，a，4J。在剩余圖像集/'上再次使用(2D)2pCA方法，再次學(xué)習(xí)到反映行特 征信息的最優(yōu)投影矩陣X2(大小為/ Xr2)和反映列特征信息的最優(yōu)投影矩陣Z(大 小為/ 7X c2)。
控制處理器根據(jù)反映行特征信息的最優(yōu)投影矩陣/2和反映列特征信息的最優(yōu)投 影矩陣《，算法模塊調(diào)用公式C、Z〖^j^ (2)，對(duì)任一剩余圖像矩陣乂作變 換，投影得到余象圖像矩陣^的二階特征矩陣C'，矩陣C'的大小為^Xr2。這里，矩陣C'的行r2和列Q分別按準(zhǔn)則
(3)選取，(其中，；i是樣本圖像
1=1 //=1 !=1 / ,'=1
集的協(xié)方差矩陣的特征值，e是一給定的門限值)
根據(jù)一階、二階特征矩陣的非波拉齊范數(shù)確定測(cè)試圖象與樣本圖象的距離取 一個(gè)步長(zhǎng)和初值，搜索最佳的權(quán)系數(shù)a和汰使識(shí)別率最大。根據(jù)模式識(shí)別的最近 鄰分類法，找出與測(cè)試圖象距離最近的樣本圖象。判斷模塊判斷測(cè)試圖像是屬 于指定樣本圖像集還是屬于剩余圖像集。
原始圖像經(jīng)過第一次變換得到的指定樣本的重建圖像A ，在原始圖象集中減去 指定樣本圖象集，得到剩余圖像集，對(duì)剩余圖像進(jìn)行第二次變換得到余像的重 建圖像，算法模塊調(diào)用加法處理器對(duì)兩次重建圖像進(jìn)行疊加得到原始圖像的重 建圖像。即執(zhí)行一次(2D)2PCA后，算法模塊調(diào)用公式i,-Z,C,《根據(jù)一階特征矩
陣確定指定樣本圖像^的重建圖像，執(zhí)行第二次(2D)2PCA后，算法模塊調(diào)用公式
入=Z2C2《，根據(jù)二階特征矩陣確定剩余圖像乂的重建圖像，加法處理器根據(jù)公式
^: -i,+i^z,c,《+Z2C^，將兩次重建圖像的結(jié)果疊加，得到原始圖像的重建圖像。
對(duì)于人臉識(shí)別問題，以下以一具體實(shí)例對(duì)本發(fā)明作進(jìn)一步具體說明。設(shè)訓(xùn)
練樣本集為/"HA,Aj，事先確定樣本的類別，實(shí)行模式識(shí)別的有監(jiān)督識(shí)別， 每一個(gè)樣本被規(guī)定為一個(gè)特定的類，^為類標(biāo)識(shí)。對(duì)于訓(xùn)練樣本矩陣^a-"A，M),
中的一個(gè)測(cè)試圖像A，由Sec-(2D)2PCA方法，分別得到一階特征矩陣(c,，八cM}和 二階特征矩陣^，Ac;J。由此，根據(jù)矩陣的非波拉齊范數(shù)lc,-c』確定測(cè)試圖象與
樣本圖象的距離
d( )=a』c, -c」|+a2|c;-c;| (4)，
取一個(gè)步長(zhǎng)和初值,搜索最佳的權(quán)系數(shù)A和32使識(shí)別率最大，因此，A和統(tǒng)分別反映了一階和二階特征矩陣的重要程度。而a產(chǎn)1-統(tǒng)，因此我們只需確定統(tǒng)的值。 根據(jù)經(jīng)驗(yàn)，對(duì)于直觀上光照變化不大的圖像庫(kù)，可取逸e
;而對(duì)于直觀 上光照變化較大的圖像庫(kù)，可取汰e
。
根據(jù)模式識(shí)別的最近鄰分類法，如果^4,Ahm;i^(K) (5)，
且^e^，則可以判斷4e^。從而，找出與測(cè)試圖象距離最近的樣本圖象，樣本
圖象屬于哪一類，則測(cè)試圖象就屬于哪一類，判斷模塊判斷測(cè)試圖像是屬于指 定樣本圖像還是屬于剩余圖像。
根據(jù)前面所述，執(zhí)行一次(2D)2PCA后，算法模塊根據(jù)一階特征矩陣調(diào)用公式 i,-z,c,《(6)，確定指定樣本圖像^的重建圖像，執(zhí)行第二次(2D)2PCA后， 算法模塊根據(jù)二階特征矩陣調(diào)用公式^=z2c2《 (7)確定剩余圖像乂的重建 圖像，將兩次重建圖像的結(jié)果疊加，得到原始圖像的重建圖象。即調(diào)用公式-
^: "+4:^cvC+ZA《 (8)，確定原始圖像的重建圖像。
我們分別用PCA、 Sec-PCA、 (2D)2PCA和Sec-(2D)2PCA方法做了圖像重建的實(shí) 驗(yàn)。
圖2給出了 Yale人臉庫(kù)B中10個(gè)人的原始圖像。
我們選擇常用于測(cè)試光照變化條件下人臉識(shí)別問題的圖像庫(kù)extended Yale 人臉庫(kù)，比較了五種方法的識(shí)別性能，即PCA、 Sec-PCA、 2DPCA、 Fir-(2D)2PCA 和本發(fā)明的Sec-(2D)2pCA。 Extended Yale人臉庫(kù)含38人，由Yale人臉庫(kù)B和 Yale人臉庫(kù)C構(gòu)成。Yale人臉庫(kù)B包含了 10個(gè)人的5760單光源人臉圖像。每 一個(gè)人的人臉圖像均在576種視角條件下(9姿態(tài)X 64光照條件)獲取的。根據(jù) 光源方向偏離攝像頭的主軸方向的角度，這個(gè)庫(kù)被分成了四個(gè)子庫(kù)一子庫(kù) 1(《12。)，子庫(kù)2(《2S。)，子庫(kù)3(《50。)及子庫(kù)4(《77。)。 Yale人臉庫(kù)C包含 了 28個(gè)人的16128單光源人臉圖像。該庫(kù)實(shí)際上是Yale人臉庫(kù)B的擴(kuò)展，每 個(gè)人的圖像是在和Yale人臉庫(kù)B相同的方式下獲取的，即視角條件相同(576種視角條件9姿態(tài)X64光照條件)；光源方向偏離攝像頭的主軸方向的角度完全 相同；圖像格式相同。所以Yale人臉庫(kù)C也可以相應(yīng)地分成4個(gè)子庫(kù)。這樣， 整個(gè)extended Yale人臉庫(kù)被分成4個(gè)子庫(kù)，每個(gè)人在子庫(kù)1、 2、 3和4中分 別含有7、 12、 12和14幅圖像。為了清楚光照變化條件下的人臉識(shí)別問題，我 們僅僅選擇了 4個(gè)子庫(kù)中的1710幅正面人臉圖像，其中4個(gè)子庫(kù)依次含266、 456、 456和532幅圖像。
圖3給出了一個(gè)人在4個(gè)子庫(kù)中的部分正面樣本圖像，從子庫(kù)1到子庫(kù)4，光 照變化越來越強(qiáng)烈。實(shí)驗(yàn)中，可將子庫(kù)l被選作訓(xùn)練樣本庫(kù)，其余的3個(gè)子庫(kù)分 別被選作測(cè)試庫(kù)。
圖4是用PCA、 Sec-PCA、 (2D)2PCA和Sec-(2D)2PCA方法做了圖像重建的實(shí) 驗(yàn)結(jié)果。實(shí)驗(yàn)中，PCA和(2D)卞CA均按e二959()的準(zhǔn)則提取特征。PCA的主元數(shù)為 32， (2D)卞CA行、列方向的主元數(shù)分別為12、 16;對(duì)于Sec-PCA,第一階的主 元數(shù)為5，第二階的主元數(shù)按纖95%的準(zhǔn)則提取，值為59;對(duì)于Sec-(2D"PCA， 第一階的主元數(shù)為5，第二階的主元數(shù)按^=95%的準(zhǔn)則提取，行、列方向分別為 20， 24。這里，Sec-PCA和Sec-(2D)2PCA的一階主元數(shù)均按使識(shí)別率最大的原 則確定。
從圖可見，本發(fā)明釆用Sec-(2D)2PCA的重建圖像質(zhì)量明顯優(yōu)于其他方法的 重建圖像。
實(shí)驗(yàn)結(jié)果表明，在不同的光照條件下，本發(fā)明采用SeC-(2D)2PCA的識(shí)別性 能明顯優(yōu)于其他四種方法。同時(shí)，與PCA和Sec-PCA相比，本發(fā)明的運(yùn)行時(shí)間 是較小的。這是因?yàn)槎A2DPCA是基于圖像矩陣的特征提取，而不需要像PCA 和Sec-PCA那樣必須將圖像矩陣轉(zhuǎn)化為圖像向量來處理，所以降低了計(jì)算量， 提高了效率。而Sec-(2D)2pCA方法使用了(2D)2pCA兩次，自然運(yùn)行時(shí)間要高于2DPCA和(2D)2PCA。
權(quán)利要求
1、一種基于二階二維主分量分析的人臉識(shí)別方法，其特征在于，包括如下步驟步驟1采集原始圖像集，對(duì)圖像集采用二維主分量分析(2D)2PCA方法，學(xué)習(xí)到原始圖像集的反映行特征信息的最優(yōu)投影矩陣X1和反映列特征信息的最優(yōu)投影矩陣Z1；步驟2對(duì)原始圖像集中任一指定樣本圖像A，調(diào)用公式作變換得到一階特征矩陣C，根據(jù)一階特征矩陣的特征向量指定樣本圖像；步驟3確定剩余圖像集，對(duì)剩余圖像集再次使用(2D)2PCA方法，學(xué)習(xí)到剩余圖像集的反映行特征信息的最優(yōu)投影矩陣X2和反映列特征信息的最優(yōu)投影矩陣Z2；步驟4對(duì)剩余圖像集中的任一余象A′調(diào)用公式作變換得到圖像矩陣A′的二階特征矩陣C′；步驟5根據(jù)一階特征矩陣和二階特征矩陣確定與測(cè)試圖象距離最近的樣本圖象，并判斷測(cè)試圖像是屬于指定樣本圖像還是屬于剩余圖像；步驟6根據(jù)一階特征矩陣計(jì)算樣本圖像的重建圖像，根據(jù)二階特征矩陣計(jì)算剩余圖像的重建圖像，兩重建圖像迭加，得到原始圖像的重建圖像。
2、 根據(jù)權(quán)利要求l所述的人臉識(shí)別方法，其特征在于，步驟2中，根據(jù)一階特征矩陣^Mn, d個(gè)反映光照信息的特征向量指定樣本圖像。
3、 根據(jù)權(quán)利要求l所述的人臉識(shí)別方法，其特征在于，按準(zhǔn)則義，人々e ，g義,./￡義，W 選擇二階特征矩陣的行C2和列力，其中，A為樣本圖像集的協(xié)方差矩陣的特征值，e為給定門限值。
4、 根據(jù)權(quán)利要求l所述的人臉識(shí)別方法，其特征在于，步驟5進(jìn)一步包括， 算法模塊調(diào)用公式"((W^lc,-c,卜,lc,'-c;l確定距離，設(shè)置權(quán)系數(shù)a和汰使識(shí)別率最大。
5、 根據(jù)權(quán)利要求4所述的人臉識(shí)別方法，其特征在于，對(duì)于光照變化不大的 圖像庫(kù)，s2e
，而對(duì)于光照變化大的圖像庫(kù)，逸e
。
6、 一種基于二階二維主分量分析的人臉識(shí)別系統(tǒng)，其特征在于，采集模塊 采集原始圖像集，控制處理模塊確定原始圖像集的反映行特征信息的最優(yōu)投 影矩陣乂和反映列特征信息的最優(yōu)投影矩陣a算法模塊調(diào)用公式C = Z|'i,， 對(duì)原始圖像集中任一指定樣本圖像作變換得到一階特征矩陣g控制處理模塊 確定剩余圖像集的反映行特征信息的最優(yōu)投影矩陣/2和反映列特征信息的最 優(yōu)投影矩陣《；算法模塊調(diào)用公式C'-Z口a，對(duì)剩余圖像集的任一余象作 變換得到圖像矩陣的二階特征矩陣C';根據(jù)一階特征矩陣和二階特征矩陣確 定距離；判斷模塊根據(jù)距離判斷是否屬指定類的樣本；對(duì)于指定類的樣本圖 像，控制模塊根據(jù)一階特征矩陣確定樣本圖像的重建圖像，根據(jù)二階特征矩 陣確定剩余圖像的重建圖像；算法模塊將兩重建圖像進(jìn)行迭加，得到原始圖 像的重建圖像。
7、 根據(jù)權(quán)利要求6所述的人臉識(shí)別系統(tǒng)，其特征在于， 一階特征矩陣C， "，d個(gè)主元特征是反映光照信息的特征向量。
8、 根據(jù)權(quán)利要求6所述的人臉識(shí)別系統(tǒng)，其特征在于，控制處理器按準(zhǔn)則 ￡a,/y義，"，I;;i,/Ja^ 選擇二階特征矩陣的行C2和列^，其中，2為樣本圖像集的協(xié)方差矩陣的特征值，0為給定門限值。
9、根據(jù)權(quán)利要求6所述的人臉識(shí)別系統(tǒng)，其特征在于，算法模塊調(diào)用公式:-ql確定距離，設(shè)置權(quán)系數(shù)a和汰使識(shí)別率最大。
全文摘要
本發(fā)明請(qǐng)求保護(hù)一種基于二階二維主分量分析的人臉識(shí)別系統(tǒng)和方法，屬于圖像處理、計(jì)算機(jī)視覺、模式識(shí)別技術(shù)領(lǐng)域。本發(fā)明提供了一種計(jì)算復(fù)雜度低的基于二階二維主分量分析的人臉識(shí)別方法。該法研究了光照變化條件下的人臉識(shí)別問題，提出一種二階二維主分量分析的人臉識(shí)別方法，將(2D)²PCA技術(shù)分別應(yīng)用到原始圖像矩陣集和剩余圖像矩陣集。得到一階特征矩陣和二階特征矩陣，由此確定樣本圖像的重建圖像和剩余圖像的重建圖像；將兩重建圖像進(jìn)行迭加，得到原始圖像的重建圖像。采用本發(fā)明所述的方法具有更高的識(shí)別精度，且比特征臉和二階特征臉方法節(jié)省計(jì)算時(shí)間?？蓮V泛用于圖象識(shí)別領(lǐng)域。
文檔編號(hào)G06K9/00GK101482917SQ200810069339
公開日2009年7月15日 申請(qǐng)日期2008年1月31日 優(yōu)先權(quán)日2008年1月31日
發(fā)明者冉瑞生, 王汝言, 羅仁澤 申請(qǐng)人:重慶郵電大學(xué)